原文標題：Karpathy氏のAnthropic参加が実際にクロードにとって何を意味するのか
原著者：@nateherk
翻訳：Peggy，BlockBeats

編者補記：Andrej Karpathy氏がAnthropicに参加したことは単なる「AIの大物がトップの実験室に参加」という人事ニュースではありません。より注目すべきは、この人事変更が示す製品方向の変化です。

過去1年間、AI業界の競争焦点は依然としてモデル自体に大きく集中していました：誰のベンチマークがより高いか、誰の推論能力がより強いか、誰がランキングで先行しているか。しかし、Claude Code、Skills、MCP、プロジェクトメモリ、Agentワークフローなどの製品機能が着実に向上する中で、より明確なトレンドが現れ始めています：モデル自体は製品の一部にすぎず、ユーザーの成果効率を真に決定するのは、モデルを取り巻くコンテキスト、メモリ、ワークフロー、スキル、コネクタ、ファイル構造、スタイルガイド、およびゴールサイクルです。

Karpathy氏がここ数ヶ月繰り返し強調してきた「コンテキストエンジニアリング」は、まさにこの変化に対応しています。AIが安定した価値を生み出すかどうかを実際に決定するのは、ユーザーが書き残すプロンプトだけではなく、モデルが文書、ワークフロー、スタイルガイド、ビジネス目標、および判断システムを理解できるかどうかです。つまり、AIの次の段階での競争は、単に「どのモデルが優れているか」ではなく、モデルを実際の作業シナリオによりうる良く誘導できるかが重要になってくるかもしれません。

LLM WikiからAutoResearchへ、さらには目標駆動型ループのような/goalに至るまで、Karpathy氏が公開的に探求してきた方向性は常に同じ問いに集中しています：AIを「問いに答えるチャットウィンドウ」から、コンテキストを理解し、タスクを持続的に遂行し、目標を中心に反復する作業システムにどうやって進化させるか。そして、Anthropicが最近Claude Code、企業サービス、エコシステムコネクタ、およびワークフローの能力を構築していることも、同じ道筋に沿って展開しています。

したがって、Karpathy氏がAnthropicに参加した意義は、単なる人材流動にとどまらず、むしろAnthropicの製品ロードマップに対する一つの強調と見るべきです：将来のAIツールの価値はモデルパラメーターだけでなく、ユーザーが蓄積したデータ、ワークフロー、メモリシステム、および業界知識にもある。これらのコンテキストを整理できるかどうかが、AIを「ツール」から「インフラストラクチャ」に本当に昇華させる可能性があるでしょう。

以下は元文です：

数時間前、Andrej Karpathy が投稿して、Anthropic に参加することを発表しました。

このストーリーの最も単純なバージョンは、一人の AI エキスパートが大手 AI ラボに加わったというものです。

しかし注目に値するのは、なぜ Anthropic なのか？そしてなぜ今なのか？

Karpathy の過去数ヶ月にわたる公開のプロジェクトと、最近の Claude Code による継続的な機能の展開を振り返れば、これら2つはまるで同じ方向に進んでいたかのように思えます。

バックグラウンド

Karpathy は現代の AI 分野で最も重要な人物の一人です。

彼は OpenAI の2015年の創設メンバーであり、Tesla で5年間 AI 担当を務めた後、2023年に OpenAI に戻り、1年後に退社しました。その後、自身の AI 教育会社である Eureka Labs を立ち上げました。彼はさらに、LLM 101n をリリースし、これはゼロから言語モデルを構築する方法をユーザーに無料で教えるコースです。

彼はまた、「vibe coding」というコンセプトの提唱者でもあります：自分が何をしたいかを英語で説明するだけで、AI にコードを書かせ、それを感じ取り、導き、繰り返すだけです。彼はまた、「context engineering」（コンテキストエンジニアリング）という概念も提唱しており、これは後続の議論で重要な役割を果たします。

ですので、これは単なる通常の採用ではありません。これは、AI 分野で最も影響力のある声の1つが、現在最も勢いのある AI ラボの1つに加わったことを意味します。

Claude Code は、多くのビルダーがエージェントを構築したりコードを書いたり、実務の知識を処理する際に優先的に選択するツールとなっています。約1週間前、Ramp がその AI インデックスを公開しました。このデータによると、企業での採用率で Anthropic が初めて OpenAI を上回りました：34.4% 対 32.3%。

もちろん、公正を期すと、これは Ramp の顧客層のデータに過ぎません。OpenAI は依然として強力な消費者ブランドを持ち、このデータセットに含まれていない多数の企業契約もあります。私はこれを過度に誇張したくはありませんが、このシグナルは無視し難いものです。

今月初、Anthropic は新しい企業 AI サービス会社の設立も発表しました。これは Anthropic が Blackstone、Hellman & Friedman、Goldman Sachs と共同で設立した合弁企業であり、中小企業が Claude をコアビジネスプロセスに導入するのを支援することを目指しています。

この行動をもう一度見てみましょう：彼らはモデルを作成し、Claude Code、Skills、MCP などの製品エントリーも行っています。パートナーネットワークを構築し、さらにサービス能力を追加して企業が製品を実際に展開できるよう支援しています。

これはもはや「モデルを提供して、残りは自分で考えて」というゲームではありません。

Wrapper こそが製品

今日のほとんどの AI に関する議論は、まだモデル自体を製品と見なしています：どのモデルがどのベンチマークで勝利したか、Opus 4.7、GPT-5.5、Gemini の強さ比較、ランキングの変遷など。

モデルはもちろん重要ですが、これらのツールを長く使っていくと、モデルは製品の一部に過ぎないことがますます明らかになります。日常のアウトプットを本当に変えるのは、モデルの外側にある wrapper の部分です。

これが、同じモデルを使っても最終的には全く異なる結果を得る理由でもあります。

言わば wrapper とは、モデルの使用方法を決定するすべての要素です。

→ Claude Code それ自体、Codex、Skills、Subagents、Hooks、MCP コネクタ。

→ あなたの CLAUDE.md、あなたのメモリ、あなたのドキュメント、あなたのケーススタディ。

→ あなたのファイル構造、スタイルガイド、そして「良い結果」の実際の定義。

これこそがモデルが存在する環境です。

もしも新しいチャットウィンドウを開き、何の文脈もない状態でビジネスの問題を処理させると、そのチャットボットはあなたについて何も知らないので、推測にすぎません。それでは、あなたはすでに何度も説明した背景を何度も対話で説明しなければなりません。

しかし、同じモデルを使用していても、あなた自身のファイル、ケーススタディ、ワークフロー、スタイルガイド、そして実際の成功基準を与えた場合、結果はまったく異なります。

これが Karpathy と Anthropic が一致する点です。彼が「context engineering（コンテキストエンジニアリング）」を提案したのは、prompt engineering（プロンプトエンジニアリング）に止まらず、正しい環境を構築してモデルが実際に機能し、異なる会話の間でコンテキストを覚え、利用することができるようにするためです。真に重要な能力は、完璧なプロンプトを書くことではなく、モデルが実際に機能し、異なるコンテキストを覚えて利用する環境を構築することなのです。

Anthropic は常にこの環境を静かに構築してきました。Karpathy は常にこの手法を公に教えてきました。そして今、これらのアイデアが同じ企業で統合されました。

この理解が得られると、Karpathy が過去数ヶ月に行ってきたことは、もはや無作為なプロジェクトのグループではなく、むしろロードマップのように見えます。

LLM Wiki とあなたのデータの要塞

今年の 4 月、Karpathy は LLM Wiki をリリースしました。このプロジェクトはすぐに X で注目を集めました。

その構造は非常にシンプルです。詳細はYouTube チュートリアルをご覧いただければと思います。

→ マークダウンファイルが大量に含まれる raw/ フォルダー。これにはノート、情報源、トランスクリプトなど、どんな資料でも含まれます。
→ Agent がすべてのコンテンツを統合し、コンテンツ間のリンクを構築し、マインドマップを生成する wiki/ フォルダー。
→ CLAUDE.md や AGENTS.md のようなスキーマドキュメント。これは、Agent にシステムの動作方法や新しい資料の取り込み方法を教えるものです。

これは AI に原稿を検索させるのではなく、単純なベクトルクエリを実行させるのでもなく、AI に進化し続ける生きた知識ベースを構築させるものです。多くの人々が、自分自身の「セカンドブレイン」を構築するためにこのプロジェクトを使用し始めました。

このことは、見かけよりも重要です。多くの人が「データは要塞である」と言うとき、頭に浮かぶのは巨大な企業データベースです。しかし、一般的なビルダーにとって、本当の要塞はより小さく、より実用的です。

それは会議のメモ、内部の SOP、顧客の通話記録、トランスクリプト、日常的に使用する名前付け規則、およびあなた自身の作業フレームワークに本当に属するものかもしれません。

もし Claude がこれらのコンテンツをモデルが理解できる形で変換し、それによってそのモデルが週々より賢く、より役立つものになるならば、それはあなたにとっての要塞効果です。

これがロックイン効果です。新しいモデルに移行できないからではなく、もちろん移行できますが、あるツールでコンテキスト、ワークフロー、メモリを継続的に構築していると、それを置いていくのがより難しくなります。

LLM Wiki は単なるサブプロジェクトにとどまりません。それはヒントです。将来、Claude Code や Claude プロジェクトのメモリによりネイティブなバージョンの類似機能が現れることには驚かないでしょう。すでに auto-dream 機能の中でその兆候が見られます。

もちろん、待つ必要はありません。今週末には、あなた自身が Claude Code に重要な文書を読み込ませ、その方法でウィキを構築できます。

AI-first の人になりたい場合、データは Agent がどこでそれを見つけ、どのように正しく使用するかを知っているときにのみ本当の価値を持ちます。

AutoResearch と /Goal ループ

3 月に、Karpathy は AutoResearch というプロジェクトをリリースしました。それは自動研究ループです。Ralph Loop をプレイしたことがある場合、両者の考え方がいくつか似ていることに気付くでしょう。

そのパターンはおおよそ次のとおりです：

1、トレーニングスクリプトを取得します。

2、変更提案を出します。

3、短いトレーニングタスクを実行します。

4、客観的な指標に基づいて結果をチェックします：合格または不合格。

5、目標達成まで繰り返します。

率直に言って、AutoResearch は個人的に頻繁に使用する機能ではありません。私はモデルのトレーニングも行わず、そのようなループが必要なアプリケーションも構築しません。しかし、その形態は非常に重要です。

目標を定義します。Agent に作業させます。完了したら戻ります。

最近の全体のエコシステムが何を展開しているかを再度考えてみてください：Codex には /goal があり、Hermes には /goal があり、Claude Code も独自の /goal を持っています。

Karpathy 自身がこの機能を開発したわけではありませんと私は言っているのではありません。わかりません。また、AutoResearch と /goal は根本的に異なるものです。ただし、そのパターンは明らかに関連しています。

両者とも、私たちを「プロンプト1つ、回答1つ」のモードから引き離します。

彼らは私たちをもう一つのやり取り方法に導いています：結果を設定し、Agent にどうすべきかを自分で決定させ、条件が満たされたら戻ってくるのを待ちます。

これこそが強化版バイブコーディングです。「何が欲しいか」を定義し、「どうやるか」を定義せず、それを完了するのを待ちます。

このパターンを LLM Wiki のコンセプトと組み合わせると、もはやチャットボットのように見えなくなります。それはあなたのビジネスを理解し、目標を持続的に追求し、目標を達成するまで取り組む本物の従業員のようになります。

教育におけるこのトレイル

Karpathyの参加アナウンスメントには、拡大して見る価値がある一言があります。彼は「私は未だに教育に非常に情熱を持っています。」と述べました。

Eureka Labs、つまり彼の前の会社は、本質的に教育プロジェクトでした。その目標は人々に「このボタンをクリックし、これらのノードを接続する」ことを教えることではなく、人々が内部からAIを本当に理解するのを助けることでした。これらのシステムは実際にどのように動作するのか。

Karpathyの稀な点は、非常に技術的なものを理解可能であり、アプローチ可能に伝えることができることです。あることを理解することは1つの能力です。他人にそれを本当に使えるように教えることは、まったく異なる別の能力です。

これはAnthropicにとって非常に重要です。次の段階の競争が文脈、ワークフロー、スキル、メモリ、およびループに焦点を当てている場合、ボトルネックは技術だけでなく、教育も含まれます。

最近のIBMによるAIの採用と変革管理に関する研究は、企業が「AIを使用できる」ことと「AIを本当にうまく活用する」こととの間の巨大なギャップを明確に示しています。ほとんどの企業はここでつまずきます。

最もAIの教育に長けた人物を組織に迎え入れ、このギャップを縮小するのを支援することは、決して小さな行動ではありません。

Claude Codeへの3つの予測

以下は単なる予測です。内部情報は持っていませんし、Anthropicのロードマップも知りません。ただし、Anthropicが最近発表した製品と、Karpathyが過去数ヶ月に公開したコンテンツに基づいて、方向性はかなり明確になっています。

Anthropicは「文脈アプリストア」を構築するでしょう

彼らは既にそのような作業を始めています。公式プラグイン、スキル、および市場化されたコンポーネントが形作られつつあります。

しかし、私が言及しているのはプロンプト市場ではありません。

私が言っているのは、スキル、ワークフロー、プロジェクトメモリ、縦の領域コンテキスト、評価サイクル、および実際のデータに接続するコネクタなどの一種のコンポーネントです。また、そのようなコンポーネントによって、モデルに何が「よい」かを特定のポジションで教えることができるものも含まれます。

これらのコンポーネントを自身の領域に統合すると、モデルからより高い価値を即座に得ることができます。たとえモデル自体が十分にスマートであってもです。

なぜなら、一般ユーザーにとって、モデルそのものがますます唯一の差異点ではなくなっているからです。本当の問題は、だれがモデルの周りに正しいデータとラッパーを構築し、企業に真のROIをもたらせる結果を作り出すことができるかということです。

LLM Wiki は、混沌した情報を利用可能な記憶に変換するパターンです。/Goal は、目標を自動化ループに変換するパターンです。Karpathy の教育活動は、複雑な AI のコンセプトを取り入れやすくするパターンです。

彼が本当にパッケージ化したものは、特定の行動パターンです。Anthropic がこの行動パターンを本当のエコシステムに変えることができれば、Claude Code はもはや単なるプログラミングツールではなく、市場になるでしょう。

製品にはより多くの /goal スタイルのコマンドが表示されるでしょう

/Goal はおそらく最初のバージョンに過ぎず、最終形態ではありません。

将来的には、研究ループ、デバッグループ、フィニッシュループなど、さまざまな専門のバージョンが登場するでしょう。また、特定の垂直領域に最適化されたコマンドもあり、これらのシナリオでは、エージェントは「完了」という概念を既に理解しています。

これらが最終的にどのように呼ばれるかは分かりませんが、それは重要ではありません。

重要なのは、インタラクションインターフェイスが変わるということです。もはや「このステップを実行」とは言わず、「この特定の垂直シナリオでは、条件が成立するまで継続的に実行します」と言うようになります。

Anthropic は、ユーザーが自分のワークフローをパッケージ化するのを支援する教育システムを導入するでしょう

これは最も大胆な予測の1つです。正直なところ、私が最も興味深いと思う予測でもあります。

Anthropic が本当の設定市場を構築したい場合、一般の人々も参加できるようになっており、開発者や研究者だけに焦点を当ててはいけません。

つまり、一般の業界専門家も参加できるようにする必要があります。

→ 月次決算プロセスを実際に理解している会計士。

→ 不動産運営者が各ステップの不動産登録を熟知している。

→ 良いパッケージと悪いパッケージを知り、ゼロからトピックのブレインストーミングを完了させる YouTuber。

これらの知識は非常に貴重です。しかし、現時点では、それらは個人の脳内に閉じ込められたり、混乱した文書、Slack スレッド、ClickUp チャンネルに散在していたりします。

現実世界でも、このような兆しを見ることができます。多くのコーチが自分自身の AI 分身やチャットボットを構築し始め、ユーザーに対してこれらの AI と対話させるために料金を請求しています。これは手動版です。人々は他人の専門知識を引き出し、自分のビジネスに適用しようとしています。

今日、広告エージェントを構築したい場合、私は行き詰まるでしょう。なぜなら、私はこの領域の専門知識を持っていないからです。ただし、もし市場が存在し、私が特定の領域の高品質なSMEコンテキストを購読できるようになるなら、私はすぐに顧客になるでしょう。

これが、私が今後重点を置く予定のレイヤーです。

結語

真のストーリーは、このパターンそのものです。

モデルは単なる1層に過ぎません。モデルの外側にあるラッパーが、真の製品となりつつあります。あなたのデータとワークフローは、真のロックイン効果となりつつあります。Karpathyが過去数ヶ月にわたって教えてきたのは、まさにこのことです。過去数ヶ月、Anthropicが取り組んできたのも、同じです。

ですから、この参加は単なるニュース見出しではなく、むしろロードマップなのです。私は完全なビデオでこの論理全体を解説しており、リンクは最初の返信に記載しています。

[Original Link]

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia